Przyszłość zaczyna się dziś. W jakich kierunkach będzie rozwijać się uczenie maszynowe (machine learning)?

Roboty – lekarze, samojeżdżące samochody, automatyczni tłumacze – to idee, które brzmią niczym żywcem wyjęte z filmów science – fiction. A jednak, takie projekty realizowane są już dziś, w dużej mierze dzięki technologii uczenia maszynowego, która w ciągu ostatnich dwóch dekad ogromnie się rozwinęła. Wkrótce mają szanse stać się powszechnie dostępne i dołożyć cegiełkę do postępującej, światowej rewolucji technologicznej.

Machine learning czyli…

Machine learning (czyli uczenie maszynowe) najprościej zdefiniować jako dziedzinę, której zadaniem jest tworzenie programów zdolnych do uczenia się pewnych rzeczy, bez dodatkowego programowania. Na podstawie dostarczanych danych komputer ma zacząć odnajdywać w nich pewne schematy, a następnie dzięki nim –przeprowadzać samodzielne analizy i kategoryzacje nowych, nieopisanych właściwie danych.

Jest to rzecz jasna definicja bardzo uproszona. Więcej na temat tego, czym jest machine learning, jakie jego rodzaje możemy wyróżnić (np. czym różni się uczenie nadzorowane oraz nienadzorowane) oraz w jaki sposób maszyny „uczą się”, można przeczytać w naszym tekście „Czym jest machine learning – technologia, która rewolucjonizuje świat?” W dzisiejszym artykule chcemy bowiem przybliżyć nie tematykę definicji machine learning czy sposobu, w jaki ten proces przebiega – lecz kierunków jego rozwoju, które wydają się nam szczególnie przyszłościowe.

Zastosowanie machine learning

Wraz z postępującą cyfryzacją społeczeństw, machine learning zaczęło odgrywać coraz większą rolę w naszym codziennym życiu. Z programami zdolnymi do samodzielnej nauki stykamy się niemal każdego dnia – często nieświadomie. To one na podstawie przeglądanych przez nas stron „uczą się” naszych preferencji i podsuwają nam potencjalnie interesujące reklamy. Układają dla nas playlisty na stronach z muzyką, analizują transakcje płatnicze, by wyłapać potencjalne oszustwa, pozwalają udoskonalać firmowe „chatboty”. Uczenie maszynowe jest stosowane w różnych branżach: od marketingu przez bankowość aż po transport.

Machine learning wciąż dynamicznie się rozwija i specjaliści nieustannie poszukują nowych sposobów jego wykorzystania na różnych polach. Istnieje jednak kilka dziedzin, w których praktyczne zastosowanie machine learning może przynieść w przyszłości szczególnie ciekawe rezultaty. Wybraliśmy trzy z nich, do bardziej szczegółowego omówienia: są to medycyna, transport oraz rozumienie języków.

Machine learning w medycynie – czy roboty zastąpią lekarzy?

W tej chwili lekarze raczej nie muszą obawiać się, że zostaną całkowicie wyparci z rynku przez roboty – programy zdolne do uczenia maszynowego mogą jednak znacznie przyspieszyć i ułatwić ich pracę. Uczenie maszynowe jest stosowane w branży medycznej już od ładnych kilku lat – i można się spodziewać, że znajdzie na tym polu coraz szersze zastosowanie. 

W jaki sposób machine learning może pomóc w podniesieniu jakości usług medycznych? Programy zdolne do uczenia się znajdują swoje zastosowanie chociażby w diagnostyce. Najbardziej standardowym przykładem będzie obrazowanie medyczne. W przypadku wyników badań obrazowych – na przykład mammografi, RTG płuc czy prześwietleń czaszki – lekarz musi przyjrzeć się im, upewnić, czy nie zaobserwował niepokojących zmian, a następnie wykonać odpowiedni opis. Technika machine learning sprawia, że programy będą mogły robić to za niego. Jak miałoby to działać? Program komputerowy, po obejrzeniu setek zdjęć kotów (oraz bardzo wielu grafik nieprzedstawiających kotów) jest w stanie nauczyć się rozpoznawać koty na wszystkich w przyszłości dostarczonych mu zdjęciach. Podobnie działa to w radiografii. Komputer po przeanalizowaniu tysięcy wyników badań – na przykład echokardiografii – uczy się wynajdywać w nowych wynikach wszelkie nieprawidłowości. Dzięki temu może analizować wyniki badań znacznie szybciej niż lekarz. Przyspiesza to diagnozowanie oraz wybór właściwej kuracji dla pacjentów. A szybkie postawienie diagnozy często bywa kluczowe i może zdecydować o tym, czy pacjenta uda się uratować. Tymczasem w wielu placówkach na opis badania trzeba czekać nawet kilka tygodni. Dzięki takim oprogramowaniom – ten mógłby być gotów w parę godzin.

Brzmi to jak pieśń przyszłości? Ta przyszłość jednak już nadeszła. W ciągu ostatnich dziesięciu lat powstały dziesiątki start-upów, które stworzyły systemy usprawniające stawianie diagnozy na podstawie obrazowania medycznego. Jednym z przykładów może być firma Arterys, która stworzyła narzędzia, ułatwiające analizę obrazów radiologicznych, wyników echokardiografii oraz odnajdywanie niepokojących zmian w obrębie płuc. Zastosowaniem uczenia maszynowego w medycynie obrazowej zainteresowały się także bardzo duże firmy. Na przykład Microsoft, tworząc projekt InnerEye – który przy użyciu modeli 3D pomaga wykrywać nowotwory, ale także planować ich leczenie (przez radioterapię lub operacyjne). Można tu też wspomnieć, że wedle raportu Signify Research rynek machine learning dla obrazowania medycznego był wart w 2017 roku prawie czterysta milionów dolarów – a wedle prognoz w roku 2023 ma osiągnąć wartość ponad dwóch bilionów! 

Machine learning może jednak być przydatne nie tylko w takich wypadkach. Programy, stworzone w oparciu o uczenie maszynowe, mogą także przewidywać choroby, pomagać w podjęciu decyzji o konkretnym leczeniu, usprawniać przepływ informacji pomiędzy placówkami. Tego typu technologie, na razie w dość wąskim zakresie, są stosowane już teraz. Jako przykłady można wskazać na przykład KenSci albo na naszym, polskim poletku, system AIDA, który pomaga optymalizować wykorzystanie krwi oraz procesy związane z jej przechowywaniem.

Czego możemy się spodziewać w przyszłości? Na pewno upowszechnienia technologii tego typu. Być może już w ciągu najbliższej dekady to nie lekarze, a maszyny, będą dokonywać przynajmniej pierwszej diagnozy w przypadku podejrzenia wielu schorzeń. O ile raczej niezbyt szybko to roboty będą decydować o leczeniu – i przeprowadzać je – zapewne powszechniejsze stanie się korzystanie z ich pomocy przy wyborze właściwej terapii. Można też mieć nadzieję, że wraz z upływem czasu i udoskonaleniem algorytmów uczenie maszynowe pozwoli na łatwe przewidywanie z dużą dokładnością ryzyka zapadnięcia na niektóre schorzenia – długie lata przed tym, jak te wystąpią. To z kolei umożliwi przeciwdziałanie im oraz natychmiastowe wdrażanie leczenia, ledwo się pojawią. Współczesna medycyna często nie może znaleźć przyczyn występowania niektórych chorób. Być może są przypadki, w których jest to niemożliwe ze względu na „brak mocy obliczeniowej” – a komputery, dysponujące dostatecznie dużą bazą danych, odnajdą zależności?

Machine learning w transporcie – czy jedzie z nami kierowca?

Branża transportowa znajduje się obecnie w okresie dynamicznych zmian – związanych właśnie z wdrażaniem technologii opartych na sztucznej inteligencji (AI), w tym uczeniu maszynowym. W wielu firmach tego typu rozwiązania są wprowadzane, by usprawnić zarządzanie flotą, lepiej planować trasy, usprawniać dostawy czy zoptymalizować zawiadywanie stanami magazynowymi. To jednak zaledwie mały wycinek spośród wielu możliwości, jakie uczenie maszyn daje lub może dać w przyszłości, jeżeli idzie o szeroko rozumiany transport.

Już teraz istnieją projekty, które wykorzystują uczenie maszynowe by rozpoznawać obiekty na drogach, lepiej rozumieć zachowania transportowe i przewidywać pewne zdarzenia oraz mobilność – a dzięki temu mają udoskonalać transport publiczny i zwiększać bezpieczeństwo drogowe w miastach. (Takim projektem jest na przykład JTL – wykorzystuje on machine learning właśnie w celach lepszego rozumienia zachowań transportowych, w celu tworzenia „inteligentnego systemu miejskiego transportu”.) Uczenie maszynowe może więc w przyszłości wykonać krok, a nawet skok, ku narodzinom miasta inteligentnego. Co mogłoby to oznaczać? Sprawniej działającą komunikację miejską, krótsze oczekiwanie na światłach, szybszą organizację objazdów w przypadku nieprzewidzianych sytuacji na drodze. Machine learning mogłoby pomóc zarówno w planowaniu pewnych procesów (na przykład tras autobusowych), jak i bieżącym zarządzaniu sytuacją na drogach. Światła mogłyby na przykład regulować długość zmian na podstawie natężenia ruchu samochodów jadących z danego kierunku czy automatycznie uruchamiać „zieloną falę” na widok zbliżającej się karetki. Teraz jeszcze za wcześnie na to, by tego typu rozwiązania zostały wprowadzone na szeroką skalę – patrząc jednak na to, jak rozwinęła się sztuczna inteligencja w przeciągu ostatnich dwudziestu lat i jak szybko przebiega proces udoskonalania algorytmów, kto wie, co przyniesie przyszłość?

Jedną z najbardziej ekscytujących idei wykorzystania sztucznej inteligencji i uczenia maszynowego w transporcie jest stworzenie automatycznych samochodów – zdolnych do jazdy bez kierowcy. Do stworzenia takich pojazdów konieczne pozostaje używanie mechanizmów związanych z machine learning i deep learning: tak, by auto nauczyło się np. rozpoznawać światła, identyfikować przechodniów i reagować na sytuacje na drodze. Brzmi niczym pomysł z filmów science fiction? Wbrew pozorom: wprowadzenie „samojeżdżących samochodów” to koncept całkiem realny. Już w tej chwili Waymo, należąca do Google, testuje „autonomiczne” auta w Arizonie. Początkowo zawsze na miejscu kierowcy zasiadał człowiek, który w wyjątkowej sytuacji miał przejąć prowadzenie. Z czasem pracownik przesiadł się na tylne siedzenie, a wkrótce w Kalifornii mają rozpocząć się testy samochodów, do których nie wsiądzie żaden człowiek. Oczywiście, z tą ideą wiąże się wiele kontrowersji – można mieć wątpliwości co do bezpieczeństwa takiego rozwiązania. Programom, nawet najdoskonalszym, zdarzają się błędy. Świadczy o tym chociażby sytuacja, do której w 2018 doszło (również w stanie Arizona) przy okazji testów samojeżdżącego samochodu firmy Uber. Na pasach zginęłam tam Elaine Herzberg, która w nocy przechodziła przez jezdnię. Chociaż auto miało kilka sekund na reakcję – nie zwolniło, ponieważ nie zidentyfikowało kobiety jako przechodnia. Operatorka, mająca czuwać nad przebiegiem jazdy próbnej zaś, za bardzo zaufała systemom automatycznym i w tym czasie patrzyła na ekran telefonu (https://businessinsider.com.pl/motoryzacja/wypadek-autonomicznego-samochodu-ubera/fdvd2ee). Z drugiej strony, można stawiać argumenty, że ludzie za kierownicą także nie są nieomylni – i często powodują wypadki, w dużej mierze przez nieprzestrzeganie przepisów (co zapewne nie byłoby problemem w przypadku aut autonomicznych).

Auta tego typu mogłyby być doskonałą opcją dla osób, które nie mogą samodzielnie prowadzić samochodów, a bardzo ich potrzebują – jak na przykład ludzie niewidomi czy borykający się z niesprawnością kończyn górnych. Pomysł z pewnością wzbudza zainteresowanie wielu firm, chociażby dostawczych. Samojeżdżący samochód może pracować stale, nie potrzebuje urlopów ani składek emerytalnych. Potencjał takiego rozwiązania dostrzegło z kolei chociażby Drive.ai przygotowujące oprogramowanie z myślą nie o klientach indywidualnych, a firmach. Oni również zdążyli już wdrożyć pierwsze projekty, dotyczące samojeżdżących samochodów. (https://www.youtube.com/watch?v=YJe8ELIU7_E)

Kto wie, może wystarczy kilkanaście lat, aby zobaczenie na drodze jadącego auta pozbawionego kierowcy nikogo nie dziwiło?

Machine learning a nauka naturalnej mowy – jak dobrze rozumieją nas boty?

Danie programowi możliwości rozumienia poszczególnych słów jest dość proste i nie wymaga zastosowania mechanizmów uczenia maszynowego. Znacznie trudniej jednak sprawić, aby maszyny były zdolne do prawdziwego zrozumienia ludzkich wypowiedzi czy tekstów. Modele językowe mają umożliwiać (przynajmniej częściowo!) właśnie takie głębsze rozumienie – przydatne przy tłumaczeniu tekstów, dostarczaniu przez wyszukiwarki najlepszych wyników, ale także… w marketingu. Obecnie tłumaczom raczej nie grozi, że zostaną zastąpieni przez roboty czy komputerowe programy: jesteśmy jeszcze daleko od stworzenia ziemskiej wersji C3PO. Aby się o tym przekonać, wystarczy wrzucić nieco bardziej skomplikowany fragment tekstu w internetowy translator, przetłumaczyć go na dowolny język, a potem – znów dokonać tłumaczenia na polski. W ostatnich latach jednak dokonano w tym zakresie dużych postępów. (Mówił o tym m.in. Jeff Dean, informatyk i inżynier oprogramowania, powiązany z Google AI. Także – dzięki uczeniu maszynowemu.

Rozwój modeli językowych może oczywiście pomóc w doskonaleniu translatorów. Tłumaczy literackich maszyny szybko nie zastąpią. Kto wie jednak, może za kilkanaście lat stanie się możliwe na przykład automatyczne tłumaczenie napisów do filmów? Rozpoznawanie mowy – już teraz wykorzystywane – również może zostać udoskonalone do tego stopnia, że stanie się możliwy bieżący przekład na słowo pisane. (Byłoby to rozwiązanie z pewnością mile widziane przez osoby niedosłyszące.) 

Dzięki rozwojowi takich modeli wciąż doskonalone mogą być także chatboty. Te już w tej chwili są dość powszechnie stosowane przez firmy, ich ograniczenia sprawiają jednak, że mogą pomóc klientom w bardzo wąskim zakresie. Z czasem możliwości chatbotów będą rosły: to zaś może usprawnić pracę firm oraz ułatwić konsumentom czy kontrahentom szybkie uzyskiwanie potrzebnych informacji. Znów – być może w przyszłości, jak w serialach science – fiction, algorytmy umożliwiające chatbotom uczenie się staną się na tyle zaawansowane, że człowiekowi będzie ciężko odróżnić, czy rozmawia z prawdziwą osobą czy tylko z tworem sztucznej inteligencji?

Lepsze rozumienie ludzkiej mowy jest też bardzo przydatne… w marketingu i analizie danych. Maszyny, naprawdę w pełni zdolne do zrozumienia, co człowiek miał na myśli pisząc daną wypowiedź (czyli wychwytujące także np. że dane słowa były prawdopodobnie pisane/wypowiadane ironicznie czy zdolne do zinterpretowania slangu) mogłyby przeprowadzać szeroko zakrojone analizy. Badając w ten sposób na przykład opinię społeczną na dane tematy, przewidując trendy, wychwytując na portalach społecznościowych niewłaściwe treści (np. z wyzwiskami czy nawoływaniem do nienawiści) albo przeprowadzając badania dla marek (poprzez sprawdzanie w jaki sposób są one postrzegane przez użytkowników). Istnieją już firmy, które zajmują się próbami tworzenia sztucznej inteligencji potrafiącej odczytywać intencje rozmówców.

Machine learning kształtuje teraźniejszość i tworzy przyszłość

To tylko kilka wybranych projektów, które dzięki zastosowaniu uczenia maszynowego mogą zrewolucjonizować niektóre branże i w dużej mierze wpłynąć na nasze codzienne życie. Uczenie maszynowe już teraz umożliwia realizowanie projektów, o jakich nie śniło się ludziom jeszcze dwie dekady temu. Wraz z upływem czasu zaś – możemy spodziewać się kolejnych, coraz bardziej zdumiewających projektów.